- 生成できる動画の長さが最大10秒から15秒に延び、3〜15秒を1秒単位で指定できる
- 同じクリップに会話形式で指示を重ねて修正する「マルチターン編集」に対応した
- 価格を1.1から30%低減し、720pで1秒0.07ドル。Gemini APIとGoogle Cloudで一般提供
発表された内容
Google DeepMindは、動画生成モデル「Gemini Omni 1.2 Flash」を公開した。ネイティブで15秒の動画を生成でき、マルチターンの会話による編集に対応する。価格は「Gemini Omni 1.1」から30%低減し、720p動画で1秒あたり0.07ドルになる。Gemini APIとGoogle Cloudで一般提供(GA)が始まり、本番用途に使える状態になった。
提供先は開発者向けのGemini APIだけではない。Google Vids、法人向けのGemini for business、Flow、Google Ads、Geminiアプリ(Google AI Ultra購読者向けに順次展開)でも利用できる。Google Vidsでは、GoogleアカウントまたはGoogle Workspaceのサブスクリプションがあれば、15秒クリップを追加費用なしで生成できるとしている。
技術面での強化点
1.2 Flashでは参照素材への追従性が高まった。キャラクター・製品・スタイルの画像、最大3秒の短いモーションクリップ、音声のキューを組み合わせて生成を誘導でき、顔や衣装、パッケージの文字組み、ブランドカラーがカメラアングルをまたいでも保たれるという。既存の商品写真やキャラクターシートから、バーチャル試着やカタログ向けの回転映像、ブランド広告を作る用途を想定している。
動画の長さは3秒から15秒まで1秒単位で指定できる。最初と最後のキーフレームをつないだり、クリップを延長して長いシーケンスにしたりする際の、被写体や背景の見え方の揺れ(ドリフト)やモーフィングが減ったとしている。セリフの自然さ、リップシンク、複数話者の話し分けも改善し、FPV(一人称視点のドローン飛行)のような連続したカメラワークでも不要なジャンプカットが減ったという。
従来版との違い
最大の違いは尺と価格だ。Omni 1.1が最大10秒だったのに対し、1.2 Flashは15秒まで生成できる。価格は1.1から30%下がり、720pで1秒0.07ドル。まず360pまたは720pで素早く下書きし、細部は追加の編集指示で直し、採用するカットだけを1080pや4Kにアップスケールする流れが示されている。
品質面では、同じ静止画とプロンプトを与えた比較で、1.1 Flashよりも1.2 Flashの方が参照画像に近い仕上がりになったと説明されている。1.2ではポスターの各レイヤーを順に組み上げ、素材や影、文字の細部を最終フレームまで保つという。Gemini Omniとして初めての一般提供となり、Google Cloudの基盤とセキュリティの下で、Provisioned Throughputも利用できる。
現時点の制約と留意点
原文では、高速なスポーツの動き、急な台本変更、複雑な物理表現といった領域は改善を続けている段階だと明記されている。業務利用では、これらの要素を含む用途は現状の出力を確認したうえで判断する必要がある。
生成物には知覚しにくいレベルのSynthIDウォーターマークが付くとされている。一方、日本語を含む各言語でのセリフ品質や、日本国内での提供時期については原文に記載がない。価格や提供チャネルは公開されているが、地域ごとの条件は別途確認が必要とみられる。
| 項目 | Gemini Omni 1.1 | Gemini Omni 1.2 Flash |
|---|---|---|
| 最大クリップ長 | 10秒 | 15秒 |
| 長さの指定 | 原文に記載なし | 3〜15秒を1秒単位 |
| 価格(720p) | 絶対額の記載なし(1.2は1.1比30%低減) | 1秒あたり0.07ドル |
| 参照画像への追従 | 比較例で1.2より弱いとされる | 強化 |
| 会話形式の編集 | 記載なし | マルチターンで対応 |
We have dropped the price 30% from Gemini Omni 1.1 making it available at $0.07 per second for 720p video.
Gemini Omni 1.1から価格を30%下げ、720p動画で1秒あたり0.07ドルで利用できるようにしました。
今後の見通し
次の焦点は、改善途上とされる高速なスポーツ動作、急な台本変更、複雑な物理表現がどのタイミングで更新されるかになる。あわせて、地域ごとの提供状況や日本語のセリフ・リップシンク品質が公開されれば、国内案件への適用可否を判断しやすくなる。企業利用では、Provisioned Throughputの具体的な確保量と費用、SynthIDの扱いが明らかになると、本番導入の設計がしやすくなるとみられる。
日本の開発者・IT企業にとっての意味
動画生成AIの実務利用では、尺の短さと1回あたりの生成コストが試作回数の制約になりやすかった。15秒生成と1秒単位の長さ指定、1秒0.07ドルという価格は、SNS広告やEC商品ページ用の短尺動画を内製する際の試算を現実的にする。加えて、360p/720pで下書きしてから1080p/4Kにアップスケールする工程は、生成回数を増やさずに品質を上げる進め方として参考になる。マルチターン編集は、商品差し替えや背景変更のたびに最初から作り直す手間を減らす。一方、日本語のセリフ品質や国内提供条件は原文に記載がなく、PoCでの確認が必要だ。SynthIDとProvisioned Throughputの存在は、法務・広告審査を抱える企業が導入条件を詰める際の論点になる。
気になる点
- 料金はどのくらいかかるのか
- 720p動画で1秒あたり0.07ドルと公表されており、これはGemini Omni 1.1から30%低減した価格です。まず360pや720pで下書きし、採用カットだけを1080pや4Kにアップスケールする流れが示されており、試行錯誤のコストを抑える使い方が想定されています。
- Gemini API以外の環境でも使えるのか
- Gemini APIとGoogle Cloudのほか、Google Vids、Gemini for business、Flow、Google Ads、Geminiアプリ(Google AI Ultra購読者向けに順次展開)で利用できます。Google VidsではGoogleアカウントまたはGoogle Workspaceのサブスクリプションがあれば15秒クリップを追加費用なしで生成できるとされています。
- 生成した動画に透かしは入るのか
- 出力には知覚しにくいレベルのSynthIDウォーターマークが埋め込まれると原文に記載されています。ウォーターマークの除去可否や、広告・放送用途での取り扱いに関する詳細は、現時点では公表されていません。
用語解説
- Gemini API
- Googleの生成AIモデルをAPI経由で呼び出せる開発者向けサービス。テキストや画像、動画の生成に使う。
- 参照追従(reference adherence)
- 入力した参照画像やモーション、音声の特徴を、生成結果の最初から最後まで保つ度合い。
- マルチターン会話編集
- 同じクリップに対し、会話のように指示を重ねて修正できる機能。作り直しを避けられる。
- SynthID
- Googleが提供する電子透かし技術。AI生成コンテンツに知覚しにくい形で埋め込む。
- Provisioned Throughput
- 処理能力をあらかじめ確保する提供形態。原文では1.2 Flashで利用可能と言及されている。
出典
Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips
https://deepmind.google/blog/gemini-omni-12-flash-fast-and-cost-effective-with-longer-clips
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する